Gelişmişlik Göstergesi Olarak Gece Işıkları: İl Bazında GSYH Tahmini

Transkript

1 tepav The Economic Policy Research Foundation of Turkey Gelişmişlik Göstergesi Olarak Gece Işıkları: İl Bazında GSYH Tahmini Seda Başıhoş Ankara Kasım 30, 2016

2 Gece Işıkları Nedir? Slide 2

3 Slide 3 Temsili Bir Gösterge Ekonomik büyüklük Ekonomik Gelişim endeksi Bölgesel karşılaştırmalar Şehirleşme ve şehir dinamikleri Kayıtdışı ekonominin ölçülmesi

4 Slide 4 Numerik Verinin Elde Edilmesi 1. Yüksek çözünürlüklü fotoğrafların maskelenmesi 2. 0 dan 255 kadar ölçeklendirilmiş dijital sayıların RGB formatında 0 dan 63 e yeniden ölçeklendirilmesi Source: The Defense Meteorological Satellite Program (DMSP) Operational Linescan System (OLS) Calculation: TEPAV Note: RGB form of night light image of Turkey. 3. Ölçek aralıklarına göre piksel sayılarının ağırlıklandırılması X t = 63 i=0 i (# piksel sayısı); 1 DN=i ve X t, t zamanda ağırlıklandırılmış gece ışıkları miktarı

5 Slide 5 Numerik Verinin Elde Edilmesi: Turkiye 0-63 aralığındaki ışık dağılımı, Türkiye'nin ışık yoğunluğunun yaklaşık 4. değerde olduğunu gösteriyor. Gelişmiş ülkelerde bu değer 9 ile 15 aralığında değişmektedir. Türkiye nin yılları arasında uzaya yaydığı ışık miktarındaki dağılım

6 Slide 6 GYSH nın Hesaplanması: Yöntem Gece ışıkları serileri, periyodik olmayan kayıtlar, meteorolojik koşullar ve bazı yıllarda uydu teknolojisindeki değişim nedeniyle bozulmaya uğrayabilir. Bu durum, verinin kalitesini düşürmekte ve ekonomik faaliyetlerin ölçümünü engellemektedir 1. Bozulmaları gidermek için sinyal işlemeyle (FIR filtresi) gece ışıkları serisini filtreledik. Böylelikle, gece ışıklarının frekansı [0,1] aralığında senkronize edilmiş oldu. 2. GSYH'yi tahmin etmek için doğrusal olmayan, otoregresif bir model oluşturduk. Kalibrasyon için, insan beyninin nöronları arasındaki ilişkiye dayanılarak geliştirilen Sinir Ağı algoritmasını kullandık.

7 Slide 7 GYSH nın Hesaplanması: Yöntem Neden Sinir Ağı Modeli Kullanıyoruz? 1. Regresyona sokulabilecek diğer ekonomik değişkenlerin İl bazında verisinin olmaması 2. Kalibre edeceğimiz il bazında GSYH verisinin sadece sınırlı zaman aralığında mevcut olması, Gece ışıkları serisinin non-smooth olması ve ekonomik değişkenlerle doğrusal olmayan ilişkisi

8 Slide 8 Model, sistemi katmanlar olarak görür. Bağımsız, gizli değişkenlerden ve ışıklar verisinden, X 0, X 1, X 2, X n, oluşan sinirsel birimler (nöron) girdi katmanını oluşturmaktadır t = 1 ise doğrusal model Basit Model GDP = j j=1 X j α j α > Φ 2 α j, bilgi aktarımında nöronun aktivasyonunu belirleyen ağ parametresidir. * Aslında modelimiz, otoregresif olduğu için GDP t = j j=1 X t,j α t,j + GDP t 1 η t olacak şekilde nöron aktivasyonu η > ή kritik değerini sağlamalıdır. Basit olması açısından t=1 zamanda gösteriyoruz.

9 Slide 9 Bilgi aktarımı için nöron aktivasyonu, bir eşik fonksiyonu üzerinden gerçekleşmektedir. Bu fonksiyon logit (sigmoit) olacaktır. 1 f μ = 1 + e μ Dolayısıyla doğrusal yapının gizli katman yoluyla doğrusal olmayan bir ilişkiye girmesine izin veriyoruz. Böylece, giriş nöronlarından alınan bilgiler önce gizli bir katmanda işlenir ve daha sonra çıktı katmanına iletilir H = f j j=0 X j α j Basit Model 3 4 θ j gizli nöronları girdi nöronlarına bağlayacak bir ağırlık/parametre olacak şekilde GDP = j j=0 H j θ j GDP = h[( k k=1 α k ) f( j j=0 θ ik X j )]. 5

10 Slide 10 Basit Model Kalibrasyon min α k θ jk SSD = T t=1 GDP t h k k=1 α k f( j j=0 θ ik X jt ) 2 6 Kritik değerlerin, α k ve θ jk, geçilmesi durumunda yakınsama gerçekleşmektedir. Sinir ağında kalibrasyon için tipik olarak üç farklı veri setine gerek durulmaktadır; 1. Parametrelerin başlangıç tahmini için training örneklemi gereklidir. Modelimizde, ağın eğitim için belirlenen verilerin yüzde 70'ini kullanmasına izin veriyoruz (temel model). 2. Eğitimli modelden elde edilen tahminin doğruluğunu doğrulamak için testing örneklemi... Gizli nöronların sayısı, test örneği modelinin performansına (saturated model) göre belirlenir. 3. Modelin tahminde kullanması için, tahmin örneklemi (target) gereklidir.

11 Slide 11 Sonuçlar Temel model ile tahmin edilen model arasındaki korelasyon, Türkiye'nin reel ve nominal GSYİH

12 Slide 12 Sonuçlar Gece Işıklarıyla Tahmin Edilen cari (nominal) ve reel GSYH,

13 Slide 13 Modelin yapısal geçerliliğini kontrol etmek için Türkiye'nin reel ve nominal GSYH'sini tahmin ettikten sonra, aynı yöntemle il bazında Gayrisafi Yurtiçi Hasıla(GPP) tahmin ediyoruz GSYH hesaplamasında kullandığımız kritik değerleri, α k ve θ jk, kullanıyoruz. 1. Modele ikinci bir kontrol daha! İl Bazında GSYH Hesaplanması 2001 yılı il bazında GSYH yi baz sene olarak alıyoruz baz verisini yılları arasındaki 100 normalize edilmiş ışıkların oransal büyümesi ile çarpıyoruz Reel GSYİH'nın tahmininden elde edilen doğrusal olmayan ağ parametreleri (başlangıç parametreleri) ile serileri yeniden tahmin ediyoruz! Her il ekonomik ve coğrafi koşullar bakımından aynı özelliklere sahipmiş gibi davranamayız. Bu yaklaşım doğrultusunda, gizli nöronların sayısını değiştirmeden ekstra gizli bir katman koyduk.

14 Slide 14 Temel Bulgular 2013 yılında en fazla hasılaya 117 milyar dolar (sabit 2005) ile İstanbul ili sahiptir. İstanbul u yaklaşık 52 milyar dolar (sabit 2005) ile İzmir ve Ankara takip etmektedir. İstanbul ili 2013 yılında tek başına Türkiye nin GSYH nin 6 da 1 ni oluşturmaktadır. İlk üç sıradaki İstanbul, Ankara ve İzmir ise aynı yıl için Türkiye GSYH nin yaklaşık 10 da 4 nü oluşturmaktadır. En düşük GSYH değerine sahip olan ilimiz Ardahan dır (300 milyon dolar). Ardahan ı yaklaşık benzer GSYH düzeyinde sırasıyla Bayburt, Tunceli, Hakkâri ve Iğdır izlemektedir. * TÜİK in yayınladığı verilerdeki ulusal GSYH ile bütün illerin toplamından elde edilen GSYH arasındaki %34,64 lük hata payı vardır. Bu hata, bizim hesaplamamız ile giderilmiştir.

15 Slide 15 Temel Bulgular Genel olarak illerin 2001 ile 2013 yılları arasındaki büyüme trendi Türkiye nin büyüme trendiyle oldukça benzerdir. İllerin çoğu 2008 bunalımından sonra hızlı büyüme performansı (recovery) sergilemiştir. Diğer yandan 2008 küresel krizinden en fazla etkilenen illerimizden biri, İstanbul dur. İstanbul un GSYH si 2008 den 2009 a %6,8 daralmıştır daki dipten sonra 2010 yılındaki en yavaş toparlanma yine İstanbul da gerçekleşmiştir (%5,7 büyüme) krizinden az etkilenen ilimiz ise Hatay dır. Hatay ekonomisi 2009 den 2008 e sadece %0,4 daralmıştır İllerin Yılları Arası Dönemlik Büyümesi (%)

16 Slide 16 İleri Bulgular: İl Bazında Kişi Başına Düşen GSYH Türkiye kapsayıcı bir büyüme sergilerken, illerin büyüme oranlarında bir asimetri gözlemlenmektedir yılında, dolar ile Kocaeli en yüksek kişi başı gelire sahipken, 2013 yılında dolar ile Yalova, Kocaeli nin yerini almıştır yılında dolar ile en düşük kişi başı gelire Ağrı sahipken, 2013 yılında Şırnak dolar ile en düşük kişi başına gelire sahip il olmuştur.

17 Slide 17 İleri Bulgular: İl Bazında Kişi Başına Düşen GSYH Türkiye nin en fazla GSYH değerlerine sahip olan üç büyük ili; İstanbul, İzmir ve Ankara da kişi başı gelir artışı yavaşlamıştır den 2013 e illerin büyük bir kısmının kişi başı geliri, Türkiye ortalamasının üstünde büyümüştür. İllerin kişi başı gelirindeki ortalama yıllık büyüme hızları, , CAGR

18 Slide 18 İleri Bulgular: İl Bazında Kişi Başına Düşen GSYH Kişi başı gelir incelendiğinde, (i) tüm illerde artış ve (ii) iller arası gelir eşitsizliğinde bir azalma görülmektedir. Kişi başına gelirde iller arasında yakınsama

19 Slide 19 İleri Bulgular: İl Bazında Kişi Başına Düşen GSYH Türkiye de kişi başı gelir bakımından orta sınıf illerin sayısının arttığı ve illerin refah seviyesinde bir dönüşüm yaşandığı gözlemlenmiştir. 28 il orta düşük gelir grubundan orta yüksek gelir grubuna geçmiştir Gelir gruplarına göre illerin dağılımı, 2001 ve Orta düşük Orta yüksek Yüksek 889$-3.504$ 3.505$ $ $ +

20 Slide 20 İleri Bulgular: İl Bazında Kişi Başına Düşen GSYH Gelir sınıfı arasındaki geçiş hem sosyal uyum hem sürdürülebilir büyüme açısından bireyler adına umut oluşturmaktadır. Ancak, bu geçirgenliğin tüm illeri kapsamadığı gözükmektedir 2001 yılına göre değişimler ile ilerin 2013 teki gelir grupları Sabit kalan Sınıf atlayan Sabit kalan Sınıf atlayan Sabit kalan Orta-düşük Orta-yüksek Yüksek

21 İleri Bulgular: İl Bazında Kişi Başına Düşen GSYH Slide 21

22 Slide 22 EK: Yöntem Machine Learning temel sorunlardan biri overfitting dir. Değişkenler arasında genelleştirilmiş bir temel ilişki aranırken overfitting büyük bir sorun oluşturmaktadır. Bununla birlikte, gece ışığı ile GSYİH arasındaki genel ilişkiyi açığa çıkarmamak yerine, il düzeyinde GSYH'yi tahmin etmek için bu değişkeni bir araç olarak (refree variable) kullanıyoruz. Sistemin tolere edebileceği kompleksite (tanıtılan değişken ve parametre sayısı) ile değişkenlerin nonlinear hareketleri arasında bir trade-off mevcuttur. Bu yüzden tanımlanan gizli değişken sayısı önemlidir. Çok fazla parametre tanıtıldığında, sinir ağı modeli patikayı öğrenmek yerine ezberleyecektir. Bu da tahmin gücünü düşürür. Çözüm: Sistemin öğrenmeye olanak tanıyacak şekilde training örneklemin geniş tutulması!

23 Slide 23 EK: Yöntem Temel varsayım: GSYH ile ışıklar verisinin hata terimleri arasında korelasyon yoktur. Cov ζ mt, ζ nt = 0 for m n 1,2,3. Test: Modelimiz için, hataların terimlerimin tamamen birbiriyle ilişkisiz olduğunu söyleyemeyiz. Bununla birlikte güven sınırı içindeki hatalar arasında anlamlı bir korelasyon olmadığını göstermektedir.

24 Slide 24 Teşekkürler Katkılarından dolayı Prof. Dr. Güven Sak a, Prof. Dr. Erol Taymaz a, TEPAV Şehir Çalışmaları Proje Direktörü Emre Koyuncu ya, Jeomorfolog İlker Alan a (Meteoroloji Genel Müdürlüğü), TEPAV Politika Analistleri Ayşegül Düşündere, Can İtez ve Yasemin Satır Çilingir e teşekkür ederim.